腾讯混元开源Hy-Nomas:支持多轮文字与镜头指令的交互式世界模型
Tencent-Hunyuan · hf · 2026-10-28
腾讯混元视觉生成团队发布 Hy-Nomas,一个面向自由交互式世界生成的视频世界模型(8B 扩散骨干):
- 核心能力:跨多轮交互回合遵循自由文本指令与连续镜头控制,生成长度可变的片段,条件于当前输入与缓存的历史,保留交互历史与动作后果。
- 关键设计:结构化视频字幕 + action-aware 因果注意力——描述性上下文跨片段保持可访问,动作指令被限制在其目标时间窗口内;视觉语言 Prompt Enhancer 把用户请求和多模态动作历史翻译成下一段的结构化条件。
- 训练:多阶段课程逐步引入因果生成、文本交互、镜头控制与模型自生成历史训练,最后做扩散蒸馏。
- 开源:模型权重、代码、benchmark 与轻量适配工作流均已放出,人评优于现有世界模型。
「多模态」频道最新
- 百度 Unlimited OCR 2 实测：整文档单次解析无页数限制 — Baidu_Inc · 2026-10-28
- Opus 5.5 剪视频可替初级剪辑师，资深剪辑师日产出翻 5 倍 — dotey · 2026-10-28
- 阿里发布 0.8B 的 OvisOCR3：多教师蒸馏+RL 拿下多榜 SOTA — ATH-MaaS · 2026-10-28
- CodeCap-Bench:用可执行代码做视频描述,推理与重建更准 — Jiafu Tang · 2026-10-28
- Moving Atoms 用引擎把现实世界重建成高精度可交互 4D 模型 — Scobleizer · 2026-10-28
- Quiver Arrow 2 矢量生成模型上线 FLORA,可分层编辑 SVG — andpoul · 2026-10-28